中小學教師對人工智能教育接受度的影響因素研究

　　[摘要]作為教育改革的踐行者，教師對人工智能教育的接受意愿和效能體驗將影響其實踐質量。然而，什么是教師接受人工智能教育的影響因素?國內學界尚未對此作出回應。鑒于此，以 1072 位中小學教師為研究對象，采用結構方程模型、差異檢驗及事后多重比較等方法，分析中小學教師接受人工智能教育的影響因素以及調節效應。研究發現：人工智能教育接受度的影響因素依次為績效期望>努力期望>促成條件>社會影響>感知風險，學歷、教齡和學科等變量正向調節接受度水平，性別的調節效應并不顯著。基于實證結果，提出未來人工智能教育的推進策略：完善保障體系，提升人工智能教育的期望效價;優化資源文化，豐富人工智能教育的促成條件;強化價值認同，擴大人工智能教育的社會影響;規避技術陷阱，彰顯人工智能教育的育人之本。

　　本文源自李世瑾; 顧小清， 現代遠距離教育 發表時間：2021-07-09

　　[關鍵詞]中小學教師;人工智能教育;接受度;影響因素;UTAUT 模型

　　一、問題的提出

　　自 2016 年開啟人工智能元年之后，以智能決策、深度學習、情感計算為核心的人工智能(Artificial Intelligence，簡稱 AI)激發了教育變革的熱情和動力。美國《為人工智能的未來做好準備》明確提出，增設人工智能和數據技術課程，擴大人工智能專業人才的培訓機會 [1]。英國《人工智能：未來決策的機遇與影響》指出，充分發揮種子基金、專業津貼等經費傾斜優勢，大力推進人工智能教育創新應用[2]。德國《高科技戰略 2025》強調，建立人工智能教育研究中心，重塑智能靈活的生態系統[3]。我國《新一代人工智能發展規劃》提出，利用智能技術加快推動人才培養模式以及教學方法的改革，構建包含智能學習、交互式學習的新型教育體系[4]。目前，人工智能教育的實踐態勢可謂“如火如荼”。

　　作為教育改革的踐行者，教師對人工智能教育發展至關重要。余勝泉從理論層面闡釋了智能教師扮演的 12 個角色[5]，并提出“AI+教師”四類協作路徑，即 AI 代理、AI 助手、AI 教師以及 AI 伙伴[6]。Edwardsa 等認為智能教師可以解決教師短缺問題，從教師特質、教學傳遞、社會交互和情感支持等方面解釋了其應用路徑[7]。Sharkey 探究了人機協作進程中的技術陷阱，如隱私安全、技術依賴、算法欺騙和情感缺失等風險[8]。楊緒輝等從技術現象學的“人性結構”視角，深刻剖析了智能時代教師的“缺陷”，以及人工智能技術對教師的“代具”表現，引領教師理性地看待人工智能技術的作用和價值[9]。閆志明等從智能時代教師的專業實踐智慧出發，建構了整合人工智能技術的學科教學知識模型(AI-TPACK)[10]。

　　可以發現，學界對人工智能賦能教師專業發展的本體價值和倫理風險已形成共識，但鮮有研究關注教師接受人工智能教育的真實意愿。實質上，在沒有了解教師接受度水平及其影響因素的情況下，一味盲目推進人工智能教育，無疑將影響其實踐質量及未來努力方向。鑒于此，研究以中小學教師為調查對象，主要回應如下問題：中小學教師對人工智能教育接受度的總體水平如何?具體影響因素有哪些?不同性別、學歷、教齡、學科的中小學教師，又表現出何種差異?通過探究教師接受人工智能教育的影響因素及其內在機理，旨在為有效推廣人工智能教育實踐路徑、優化教育體驗以及提升實踐成效提供科學證據。

　　二、理論基礎與研究模型

　　接受是人的一種認同行為表征，既包括個體自我價值觀的態度認同，也涵蓋個體對新事物適應、接納和內化的過程。簡言之，接受是個體自發行為與內化行為的融合體。伴隨大量新技術的涌現，教育工作者愈發重視技術賦能教育的合理性與適切性，也愈加關注何種技術才能真正被師生廣泛認可。在此情境下，技術接受度模型成為比較活躍的研究課題，經過學者長期的實踐探索，大致演化出三種進階態勢：模型框架建構階段(1975—1993)、內在因素探索階段(1993—2000)、系統因素發展階段(2000 至今)，如圖 1 所示。

　　可以發現，技術接受模型從最初對框架和內在因素的討論，逐漸介入了外在變量的影響，尤其是 Venkatesh 等提出的整合型科技接受模型(Unified Theory of Acceptance and Use of Technology，UTAUT)，系統整合了理性行為理論(Theory of Reasoned Action，TRA) 、技術接受模型(Technology Acceptance Model，TAM)、動機模型(Motivational Model ，MM)、計劃行為理論(Theory of Planned Behavior，TPB) 、技術接受和計劃行為整合模型(Combined TAM and TPB，C-TAM-TPB)、計算機使用模型(Model of PC Utilization，MPCU)、創新擴散論(Innovation Diffusion Theory，IDT)、社會認知理論(Social Cognitive Theory，SCT)等八個理論優點，其解釋力高達 70%[11]。因此，研究基于 UTAUT 理論模型，結合個體接納行為的內在意向和外在影響，綜合考量中小學教師接受人工智能教育的影響因素。同時，結合教育領域人工智能應用隱憂的結論[12]、實證分析結果等[13]，在 UTAUT 理論基礎上增加感知風險因素，嘗試改善模型的結構彈性和對復雜現實的適應性。此外，進一步將性別、學歷、教齡和學科等人口學因素納入研究模型中，系統審視不同教師群體接受人工智能教育的差異化表現，具體如圖 2 所示。

　　基于上述理論模型，研究借助結構方程模型，首先從社會影響、績效期望、努力期望、感知風險和促成條件等因素出發，探究中小學教師接受人工智能教育的影響因素以及作用程度。其中：(1)社會影響(Social Influence，簡稱 SI)是教師受到外界群體感知的社會輿論因素，當技術應用的社會反響越積極時，個體越傾向于接納新技術。(2)努力期望(Effort Expectation，簡稱 EE)是教師開展人工智能教育所需付出的努力程度，當個體持續投入的精力越多時，越有可能使用新技術。(3)績效期望(Performance Expectation，簡稱 PE)是教師期待通過開展人工智能教育提升自身工作績效的程度，當個體對技術應用的績效期望越高時，其接納意愿也將越明顯。(4)促成條件(Facilitating Condition，簡稱 FC)是現有政策體制、教育裝備和管理制度對人工智能教育實踐的支持力度，當物質條件越豐富時，個體越愿意接納新技術或新方法。(5)感知風險(Perceived Risk，簡稱 PR)是教師對技術應用進程中信息泄露、隱私侵犯等現象的驚慌或擔憂，當風險感知越高時，個體越不愿意接納新技術。然后，分別對性別、學歷、教齡和學科等調節變量，進行差異檢驗及事后多重比較分析，進一步探究其作為中介因素對接受度的調節效應，從而形成可操作的科學推廣策略。

　　三、研究工具與施測過程

　　(一)調查問卷編制

　　研究參照 Venkatesh 等[14]、Chatterjee 等[15]研究量表，以及我國學者周炫余等[16]、王鈺彪等[17]實證結論，同時結合中小學教師參與人工智能教育的實踐情況，編制了“中小學教師人工智能教育接受度調查問卷”。其中，第一部分圍繞性別、學歷、教齡、學科等人口學問題收集教師的基本信息。第二部分測量社會影響、績效期望、努力期望、促成條件和感知風險等因素，對教師接受人工智能教育的影響程度。問卷整體采用李克特五點量表形式，1-5 選項分別對應“非常不同意”、“不太同意”、“一般同意”、“比較同意”、“非常同意”。

　　(二)問卷信效度檢驗

　　信度檢驗采用克朗巴哈系數法，經分析，整體問卷的 Cronbach's 系數為 0.96，SI、EE、 PE、FC 和 PR 等具體維度的 Cronbach's 系數分別為 0.93、0.92、0.95、0.91、0.89 和 0.94。每個子維度信度系數均在 0.8 以上，說明問卷結構的內部一致性較好，測量結果可信且具有較強的解釋力。

　　效度檢驗包括內容效度和建構效度分析。內容效度方面，參照國際上經典的技術接受度量表，結合人工智能教學情境編制問卷，并經過兩輪專家咨詢和教師修訂等環節，充分保證了測試題項的設計邏輯與內容效度。建構效度方面，首先進行 KMO 檢驗和 Bartlett 球形檢驗，發現樣本數據的KMO值為0.858，且Bartlett’s球形檢驗的? 2值為2835.715(P=0.000<0.05)，表明測試題目符合良好的統計量標準，適合做因子分析。進一步采用驗證性因子分析，測試題項的因子負荷量處于 0.7 以上，平均方差萃取 AVE 值均大于 0.5，且組合信度 CR 值均大于 0.7，說明問卷具有良好的聚合效度。區分效度結果顯示，所有變量的平均方差萃取量均大于變量間的相關性，說明問卷測試題項的區分效度良好。綜上，問卷的測試因子與測試題項之間的對應結構合理，能夠較為準確地反映教師接受人工智能教育的行為意愿。

　　(三)問卷發放與回收

　　在保證地域均衡與現實條件的基礎上，研究依托上海、北京、天津、寧夏等 82 所學校，采用問卷星平臺向中小學教師發放電子問卷，調查時間為 2020 年 12 月至 2021 年 2 月。調查結束后，共收回 1139 份網絡問卷，剔除隨意填寫的 67 份無效問卷，最終獲得 1072 份有效問卷，有效率達 94%。

　　四、數據統計與分析結果

　　基于人工智能教育接受度研究模型，采用結構方程模型，分析中小學教師接受人工智能教育的影響因素;同時采用差異檢驗及事后多重比較等方法，進一步探究性別、學歷、教齡、學科等變量作為中介因素的調節效應。

　　(一)人口學基本信息統計

　　參與調研的 1072 位中小學教師中，男性教師 373 人，女性教師 699 人。學歷以大學本科(76%)為主，專科(14%)、碩士(9%)和博士學歷(1%)的教師相對較少。教齡 2 年以下、2~5 年、6~10 年、11~15 年以及 16 年以上的分別占比 11%、12%、14%、10%以及 53%。學科分布以信息技術(60%)、語文(16%)和數學(14%)教師為主，其它學科教師(如英語、音樂、體育)相對偏少。具體人口學數據如表 1 所示。

　　(二)接受度影響因素分析

　　研究采用 AMOS26.0 結構方程模型，通過擬合度評估以及參數評估等過程，獲得中小學教師對人工智能教育接受度的影響因素。

　　1.接受度結構模型擬合度評估

　　擬合度評估即評估模型的適合度，分析過程中需要考量不同結構變量的適配指數，適配指數越高，路徑的可解釋性越強，參數表征也將更有意義。參照模型評估標準，通過絕對擬合指標和增值擬合指標評估路徑的擬合度[18]，如表 2 所示。從絕對擬合指標來看，X 2 /df 的值小于 3，且 GFI、RMR 和 RMSEA 等測量值均在評估范圍內。從增值擬合指標來看，AGFI 值為 0.935，且 NFI、CFI 和 IFI 數值均符合擬合度要求。綜上，各項指標均優于臨界值標準，即人工智能教育接受度結構模型的擬合度較好。

　　2.接受度結構模型參數評估

　　研究通過績效期望、努力期望、感知風險、社會影響和促成條件等作用于行為意愿的路徑系數，評估中小學教師對人工智能教育的接受程度，如圖 3 所示。從各變量的標準化因素負荷量來看，各項數值處于 0.73~0.94 正常范圍內，即各變量的因子建構效度良好。從各變量作用于行為意愿的標準化回歸系數來看，感知風險的路徑系數為負值，說明感知風險負向影響教師的行為意愿。其它變量的標準化回歸系數均處于 0.24~0.61 之間，符合回歸系數 0.19 以上的可信度要求[19]。綜上，研究模型的標準化因素負荷量和回歸系數均處于正常范圍內，能夠反映中小學教師對人工智能教育接受度的真實水平。

　　通過結構方程路徑分析，進一步檢驗研究模型中績效期望、努力期望、感知風險、社會影響和促成條件等作用于行為意愿的路徑參數。結果顯示，中小學教師開展人工智能教育的行為意愿受到績效期望(β=0.61，P<0.001)、努力期望(β=0.43，P<0.001)、促成條件(β=0.31， P<0.001)、社會影響(β=0.24，P<0.001)以及風險感知(β=-0.21，P<0.001)等因素的共同作用，且均達到 0.001 顯著性水平。其中，績效期望和努力期望對行為意愿具有較強的正向影響，社會影響和促成條件對行為意愿的正向影響較弱，感知風險的標準化回歸系數為負值且絕對值較小，即感知風險對行為意愿具有負向影響，且感知風險越小，教師越傾向于接納人工智能教育實踐。

　　(三)調節因素差異化檢驗

　　研究采用差異檢驗及事后多重比較等方法，檢驗性別、學歷、教齡、學科等因素的調節效應，進一步探索不同類型教師群體在社會影響、績效期望、努力期望、感知風險和促成條件等接受度影響因素方面的差異化水平。

　　1.性別調節效應檢驗

　　研究采用獨立樣本t檢驗，分析不同性別教師接受人工智能教育的行為意愿。結果表明，相比女性教師，男性教師的實踐傾向雖更積極(t=1.371)，但兩者在接受度方面并不存在顯著性差異(P=0.171>0.05)。具體地，男性教師受到社會影響(t=1.654，P=0.099>0.05)、績效期望(t=1.910，P=0.057>0.05)、努力期望(t=1.133，P=0.257>0.05)、感知風險(t=0.846， P=0.398>0.05)和促成條件(t=1.344，P=0.179>0.05)的影響更為明顯，但較之女性教師各維度的表現，兩者之間并不存在顯著性差異，結果如表 3 所示。

　　2.學歷調節效應檢驗

　　研究首先對 1072 個有效樣本進行方差齊性檢驗，發現不同學歷教師接受人工智能教育的行為意愿不滿足方差齊性條件(sig<0.05)，故采用 Welch’s ANOVA 方法進行差異分析。結果表明，不同學歷教師在人工智能教育接受度方面具有顯著性差異(P=0.029<0.05)，但社會影響(P=0.848>0.05)、績效期望(P=0.685>0.05)、努力期望(P=0.537>0.05)、感知風險(P=0.781>0.05)和促成條件(P=0.592>0.05)等維度并不存在顯著性差異。進一步通過事后多重比較，發現大專學歷教師分別與本科、碩士和博士學歷教師兩兩存在顯著差異性，本科與碩士學歷教師之間差異不顯著，結果如表 4 所示。

　　3.教齡調節效應檢驗

　　通過方差齊性檢驗分析，發現不同教齡教師接受人工智能教育的行為意愿均符合方差齊性要求(sig>0.05)，故采用單因素方差分析進行比較。總體上，不同教齡教師在接受度方面具有顯著性差異(P=0.000<0.05)，且 11~15 年>2~5 年>2 年以下>6~10 年>16 年以上。具體地，不同教齡教師在社會影響(P=0.013<0.05)、績效期望(P=0.001<0.05)、努力期望(P=0.004<0.05)和促成條件(P=0.002<0.05)等維度存在顯著性差異，但感知風險(P=0.497>0.05)維度并不存在顯著性差異。進一步通過事后多重比較，發現社會影響和努力期望維度的接受次序為 2~5 年>11~15 年>2 年以下> 16 年以上>6~10 年，績效期望維度為 11~15 年>2 年以下>2~5 年>6~10 年>16 年以上，促成條件維度為 2~5 年>2 年以下>11~15 年> 16 年以上>6~10 年，具體結果如表 5 所示。

　　4.學科調節效應檢驗

　　不同學科教師接受人工智能教育的行為意愿符合方差齊性要求(sig>0.05)，故采用單因素方差進行分析。總體上，不同學科教師在人工智能教育接受度方面具有顯著性差異(P=0.000<0.05)，且信息技術教師分別與語文、數學、英語、體育和音樂教師兩兩存在顯著性差異，語文、數學、英語和體育教師兩兩之間的差異不顯著。具體地，不同學科教師在績效期望(P=0.019<0.05)維度存在顯著性差異，但在社會影響(P=0.655>0.05)、努力期望(P=0.962>0.05)、感知風險(P=0.751>0.05)和促成條件(P=0.982>0.05)等維度不存在顯著性差異。進一步通過事后多重比較，發現績效期望和行為意愿維度的表現次序均為體育>信息技術>英語>語文>數學>音樂，具體結果如表 6 所示。

　　五、結果分析與對策建議

　　研究結果表明，中小學教師對人工智能教育接受度的影響因素依次為績效期望>努力期望>促成條件>社會影響>感知風險。學歷、教齡和學科等變量正向調節中小學教師的接受度，但性別對接受度的調節效應并不存在顯著性差異。

　　(一)研究結論與討論

　　1.人工智能教育接受度的影響因素分析

　　績效期望對教師行為意愿的影響系數最大，這意味著提高人工智能教育接受度，首要任務是提升教師的績效期望。事實上，績效期望是組織目標實現“有效輸出”的映射，即通過權衡顯性、隱性以及不確定因素的內在關聯，所表現出的能動屬性和行為特征[20]。由此看來，績效期望本身具有的功利性和現實性色彩，能夠保障人工智能教育目標、過程和結果的一體化進程。綜上，通過持續刺激教師的績效期望，其認同感知與實踐動機也愈強烈。

　　努力期望對教師行為意愿的影響系數僅次于績效期望。可能的原因是，努力期望是個體參與實踐時的努力程度，當個體對教育場域的智能化感知和完整性程度越高時，其獲得的直觀體驗與效價期待愈明顯，也愈有可能接納人工智能技術，引導學生完成個性化練習。同時，當教師充分感知到智能技術強大的推理、判斷和決策能力時，也更容易產生積極嘗試的心理動機，并且在教學實踐中持續投入努力。

　　促成條件對教師行為意愿的影響系數雖排在第三，但卻是人工智能教育得以實施的前提條件。只有具備政策支持或智能場域等現實條件時，才能有效激發教師開展人工智能教育的決心和熱情。同時，當促成條件越豐富時，教師越容易應對實踐進程中的困難與障礙。這與 Benitti 等研究結論相一致，即資源條件正向影響教師的智能感知和角色期待[21]。此外，當教師越愿意嘗試人工智能教育實踐時，其專業技能和智能素養提升得也越快。

　　社會影響對教師的行為意愿具有顯著正向影響，這符合 Akerlof 等同群效應研究結論[22]。這是因為，增加教師互動交流的范圍和頻率，能夠促進人工智能教育經驗的復制、再造、擴散和增值，形塑智能教育實踐的積極效應。同時，通過良好的群體感知氛圍以及優秀教師的帶頭示范作用，能夠緩解教師的恐慌或退縮心理，鼓勵更多教師參與到實踐變革中。

　　風險感知對教師的行為意愿具有負向影響，即教師的風險感知越低，越愿意開展人工智能教育實踐。人工智能技術應用雖縮短了教學反饋的周期，但始終無法解決非結構化問題的及時反饋，加之技術場景的復雜化，很容易導致教師角色的“脫嵌”與“消匿”，進而引起退縮甚至恐慌的排斥心理。這啟示我們，推進人工智能教育的同時，不可忽視技術本身的風險源，只有理性平衡育人目標和技術工具之間的張力，提供合理適度的引領示范和支持服務時，才能持續激發教師的實踐動機。

　　2.人工智能教育接受度的調節效應分析

　　性別對人工智能教育接受度的調節效應并不顯著。雖有部分學者認為，男性在使用智能技術時表現出更為濃厚的興趣[23][24]。但是，開展人工智能教育并非要求教師重新學習圖像識別、自然語言處理等技術原理，而是充分發揮認知智能、情感智能以及計算智能等技術優勢，助力大規模個性化教育目標的實現。在這點上，男女教師并不存在顯著性差異，均需在智能教育改革浪潮中理性覺解教師的角色特質與價值定位，積極探索智能場域下“AI+教師” 協同創新的合作方式。

　　學歷正向調節中小學教師對人工智能教育的接受度，具體表現為：博士及以上>碩士>本科>大專及以下，即教師的學歷水平越高，越愿意嘗試人工智能教育實踐。可能的原因是，接受過高等教育的職前教師，會較早地接觸人工智能相關知識，更容易感知人工智能教育的價值內涵。加之人工智能技術一定程度上緩解了教師的機械性工作，更加符合教師的角色認知與職業期待[25]。此外，智能診斷技術能夠為教師提供精準干預方案，教師期待通過人工智能教育實踐獲得職業成就。

　　教齡正向調節中小學教師對人工智能教育的接受度，具體表現為：11~15 年>2~5 年>2 年以下>6~10 年>16 年以上。可能的原因是，教齡為 11~15 年的教師具有豐富的教學經驗，當面對智能教育變革時，能夠建立充分的自信以應對教學進程中的困難與阻礙。教齡為 2~5 年、2 年以下和 6~10 年教師的行為意愿依次減弱，說明教師的教齡越短，越容易產生價值趨同，也越渴望抓住人工智能教育變革機會提升績效。教齡為 16 年以上教師的行為意愿最弱，這與 Bulatevych 研究結論相一致[26]，即教齡越長，教師越容易進入職業倦怠期，其社會群體感和職業期待也將逐漸削弱，容易排斥挑戰性、發展性和壓力性任務。

　　學科正向調節中小學教師對人工智能教育的接受度，具體表現為：體育教師>信息技術教師>英語教師>語文教師>數學教師>音樂教師。這符合人工智能發展的歷史邏輯，從 1951 年第一個會下西洋跳棋計算機程序的誕生，到 1997 年 IBM 計算機深藍戰勝國際象棋世界冠軍卡斯帕羅夫，再到 2016 年 Alpha Go 戰勝圍棋世界冠軍李世石，不難發現人工智能天然的實驗場所正是體育產業，其“科技助力”的功能預期必將迎來智能體育的發展熱潮[27]。因此，體育教師源于自身的學科視野和競技思維，更能深刻意識到人工智能是體育產業轉型升級的有效武器，也更愿意嘗試人工智能教育實踐探索。同時，由于國內人工智能課程通常由信息技術教師講授或作為骨干人員參與設計，加之信息技術學科尤為重視創新技術應用，例如《普通高中信息技術課程標準(2017 年版)》將“人工智能初步”列為選擇性必修模塊，這在很大程度上促進了信息技術教師接受人工智能教育的信心與熱情。而語文、數學、英語和音樂等傳統學科教師，普遍關注學生基本知能和問題解決的技能習得，當面對具有風險和壓力的人工智能教育時，接納意愿也較前兩者更小。

　　(二)應對策略與建議

　　基于研究結論，應充分利用教師感知的績效期望和努力期望、外部促成條件和社會影響等著力點，以及學歷、教齡和學科等正向調節變量，提高教師對人工智能教育的接受度，同時也需規避人工智能教育的技術陷阱，建構彰顯育人之本的智能教育新生態。

　　1.完善保障體系，提升人工智能教育的期望效價

　　人工智能引領的創新教育形態，教師既要了解相關基礎知識，也要具備人機協同的智能素養，還要平衡技術應用和教育目標之間的張力，這無疑對教師提出了更高的能力要求，尤其是學歷偏低、教齡較長的教師群體，普遍持恐慌、甚至退縮的行為態度。面對這樣的壓力和挑戰，必須完善保障體系，努力提升中小學教師開展人工智能教育的期望效價。

　　首先，要從宏觀戰略層面提供制度保障，促進人工智能教育實踐的常態化。新加坡的經驗非常值得借鑒，新加坡總理辦公室通過專業培訓、薪酬傾斜等政策支持，提升了教師開展人工智能教育的自信心與滿意度[28]。其次，學校管理層面應通過專家幫扶、經費支持等具體措施，消除學歷較低、年齡偏大這一教師群體普遍存在的擔憂和畏難情緒，通過擴大人工智能教育的實踐影響，持續激發更多教師群體的實踐動力與努力期望。再次，培訓內容方面需加強人工智能教學實踐的專業培訓與心理疏導，即不僅通過項目實踐、工作坊交流、主題報告等方式，帶領教師體驗智能化的教學流程，更要從思想意識上培養教師開展人工智能實踐教學的積極心理。最后，文化氛圍方面應盡力彌補教師因動機或自我效能感缺失而帶來的教學懈怠，保持教師對人工智能教育的接受意愿。具體地，推行意志管理機制，培養教師面臨困境時的情緒調整能力，并通過群體協作或互助活動維持其持續努力的內在動機。

　　2.優化資源文化，豐富人工智能教育的促成條件

　　研究結果表明，源自學科專業思維，中小學教師普遍對人工智能的理解局限于抽象算法或技術代碼，自然以不懂為名產生抵觸甚至恐懼心理，這種現象在語文、數學、英語等學科中尤為明顯。這種情境下，亟需優化人工智能教育資源，豐富促成條件以擴大實踐效應，幫扶信息技術以外的學科教師積極開展創新教育探索。

　　其一，充分利用大數據、學習分析等技術平臺，結合學科專業優勢，建設具有特色的校本人工智能資源庫，同時組建人工智能校際聯盟，借助實踐資源的共創、共享和共流優勢，形 成 長 效 的 區 域 人 工 智 能 教 研 機 制 。 例 如 ， 英 國 IBM 網 站(https://machinelearningforkids.co.uk/)專門設立了人工智能資源模塊，通過案例研習指引不同學科教師開展特色化的人工智能實踐教學，從而提升教師的人工智能素養和教學技能。其二，加強政府部門、學校機構和教師群體的聯結，可借助區塊鏈“共建、共享、共營、共治” 的內在機理，通過教學研修、工作坊等形式建立多元主體的協同成長機制。其三，技術應用從來都不是一蹴而就的，而是在環境互動中動態發展的。因此，積極創設人工智能校園文化，讓教師隨時隨地處于智能化的情境感知中，全方位支持中小學教師對智能教學的認知體驗，促進教師人工智能素養的形成。

　　3.強化價值認同，擴大人工智能教育的社會影響

　　盡管人工智能教育已廣泛引起實踐工作者的高度重視，但由于技術知識的缺失以及現行考核機制的約束，許多教師對人工智能教育仍持觀望、質疑甚至抵觸的態度。研究已證實，中小學教師對人工智能教育的接受度受到領導、同伴、家長等多元主體影響，因此，應有效利用輿論的正向引導作用，積極宣傳人工智能教育應用的優勢，進一步擴大其實踐改革的價值認同與社會影響力。

　　一方面，遵循“認知→說服→決策→執行→確認”的技術創新擴散路徑，充分發揮主觀規范的引導作用，通過階段性教學任務與獎勵機制，幫助教師積累人工智能教學經驗和有效策略。另一方面，構建職前職中一體化的師資培訓體系，比如在師范教育課程體系中增設人工智能相關課程和專項訓練項目，讓“準教師”盡早掌握人工智能相關的基礎性知識，領會人工智能教學的理念和方法。例如，英國專門設立人工智能在線課程，通過人工智能專業知識講授與教學實例操練，幫助職前教師盡早完成角色轉型[29]。同時，提升人工智能教育的時代影響和社會地位，如教育部門加大人工智能校培和國培力度，并將培訓學習納入中小學教師職稱評定等考核內容，通過動員教師參加培訓并付諸實踐的主觀能動性，廣泛提升更多教師群體的人工智能素養水平。

　　4.規避技術陷阱，彰顯人工智能教育的育人之本

　　任何技術應用在其發展初期，都會不可避免地受到質疑和誤解。同樣，當教育生態融入智能技術設備時，許多中小學教師由于技術經驗不足，容易產生“智能導師將會替代人類教師”的擔憂和恐慌。正如結論所證實，風險感知對教師的行為意愿具有負向影響。因此，厘清人工智能教育的技術陷阱，形塑“AI+教師”融合共生機制，是推進人工智能教育健康發展的關鍵舉措。

　　一方面，參照人工智能技術應用的“公平、可靠、隱私與保障、包容、透明、內部監督與指導”等六大原則[30]，制定相應的“AI+教師”協同教學法則。另一方面，技術的發展必將帶來教學形態的改變，教師只有堅持“育人之本”的永恒理念，建構整合人工智能技術的知識體系，才能有效突圍“技術繭房”的束縛，從而在更深的層面和更廣的意義上提升教學成效。此外，建立技術風險預警機制，推動人工智能教育健康發展。這可效仿英國人工智能委員會的做法，從立法高度凸顯人工智能倫理安全的重要性，強制要求相關學科師生必須研修人工智能倫理課程，養成倫理自覺和科學求真的行為慣習，真正發揮人工智能技術應用的優勢和作用。

　　六、結語

　　本研究基于UTAUT模型，探索了中小學教師對人工智能教育接受度的影響因素。其中，績效期望、努力期望、促成條件和社會影響對中小學教師接受人工智能教育具有正向影響，影響力分別為：61%、43%、31%和 24%。感知風險對教師的行為意愿具有負向影響，影響力達到 19%。同時，教師性別對人工智能教育接受度的調節效應并不存在顯著性差異;學歷調節效應為：博士>碩士>本科>大專;教齡調節效應為：11~15 年>2~5 年>2 年以下>6~10 年>16 年以上;學科調節效應為：體育教師>信息技術教師>英語教師>語文教師>數學教師>音樂教師。

　　此外，研究仍存在以下不足：一是研究樣本局限于上海、北京、天津、寧夏等地域，可能影響研究結論的普適性，未來將考慮更大范圍的調查研究。二是人工智能教育接受度模型重點驗證了績效期望、努力期望、促成條件、社會影響和感知風險等影響因素，未來將持續追蹤人工智能教育的實踐新論，引介更多因素的潛在影響。三是人工智能教育接受度是一個復雜且動態發展的過程，研究團隊將采用多模態技術，通過匯聚教師認知、情緒、生理等多維數據，持續追蹤教師行為意愿的變化規律，以期為有效推進人工智能教育提供科學依據。